PCB缺陷检测深度学习算法的精度改进

本文以YOLOv5目标检测算法为基础算法,针对PCB缺陷检测进行了提高精度的改进。首先通过实验选取了合适的数据增强方法。针对PCB缺陷尺寸小的问题,在原有的3个检测头基础上增加了P2检测头。设计全新的PANet多特征融合结构,实现高效的双向跨尺度连接和加权特征层融合。针对PCB背景复杂的问题,引入了CBAM注意力模块以增强图像信息。引入了Transformer模块来增强算法,以提高捕捉不同位置的PCB缺陷信息的能力。最终通过这些改进,在检测速度FPS仅下降7.2的情况下,检测算法的mAP精度提高了11.3%。     

基于深度学习的变电设备缺陷检测

变电设备缺陷是影响电网平稳运行的重要因素,及时发现变电设备缺陷在提升电网可靠性、供电质量、运维水平等方面都具有重要意义.随着视频监控、智能巡检机器人等设施在变电站的逐渐普及,传统人工诊断方法难以应对海量的监控图片.因此本文提出一种基于深度学习的变电设备缺陷检测方法来快速检测监控图片中的缺陷,使用单阶段目标检测算法YOL...     

基于深度学习的高精度晶圆缺陷检测方法研究

为了解决半导体制造领域缺陷检测中出现的检测效率低、错误率高、结果不稳定、成像精度低下导致无法精确地检测出不同种类的缺陷等问题,本文利用定制的CCD工业相机搭配高倍率的光学显微镜采集晶圆表面的扫描图像,结合改进的YOLOv4算法,实现了基于深度学习的高精度晶圆缺陷检测方法。实验表明,对于碳化硅晶圆缺陷,提出的方法模型可以识别各种复杂条件下的不同种类缺陷,具有良好的鲁棒性。对缺陷的平均识别精度达到99.24%,相较于YOLOv4-Tiny和原YOLOv4分别提升10.08%和1.92%。对缺陷的平均每图识别时间达到0.028 3 s,相较于基于Halcon软件方法和OpenCV模板匹配方法分别提升93.42%和90.52%,优于其他常规的晶圆缺陷检测方法,已实现在自主设计的验证系统和应用平台上稳定运行。     

基于层次多任务深度学习的绝缘子自爆缺陷检测

绝缘子是电力线路中重要且使用广泛的器件,随着近年来无人机巡线的迅速普及,从航拍图像中检测绝缘子自爆缺陷成为热点问题.在航拍图像中,自爆绝缘子与正常绝缘子的区分难度相对更大,该文提出一种基于层次多任务深度学习的绝缘子自爆缺陷检测模型,使用专用的卷积神经网络区分自爆绝缘子和正常绝缘子,并结合多任务学习和特征融合方法提高分类...     

基于深度学习的线束端子外观缺陷检测技术研究

为解决接触件端子与线束压接过程中会出现未成功压接、压接不到位、芯线外漏等质量问题,提出一种基于传统机器视觉和深度学习相结合的方法实现线束端子外观缺陷智能检测。首先搭建视觉检测系统获取高质量的线束端子外观图像,接着应用传统机器视觉中的图像预处理、图像滤波、最小二乘法实现剥线长度的在线检测,然后人工标注线束端子外观缺陷并构建样本数据集,最后利用深度学习算法实现线束端子外观缺陷的智能检测。试验结果表明,该视觉检测系统与人工检测对比误差小于0.01 mm,模型缺陷识别准确率为99.33%,漏检率为零,单张图像推理耗时5.6 ms。该系统运行稳定可靠,满足实际生产需求。     

基于深度学习的架空输电导线缺陷检测方法研究

无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法。该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group,16 weight layers)作为主干特征提取网络,并且将VGG16在ImageNet数据集上训练的权重作为预训练权重,以增强训练效果;然后将网络中的普通卷积用深度可分离卷积代替,有效地减少了网络的参数量;最后引入轻量级的高效通道注意力模块(efficient channel attention,ECA),实现不降维的局部跨信道交互策略,突出重要特征的同时克服了性能和复杂性之间的矛盾。在自建的输电导线缺陷数据集上,对方法进行了功能与性能测试,实验结果表明所提方法在导线断股检测上的准确率达到89.81%,在表面擦痕检测上的准确率达到90.86%,在表面刮损检测上的准确率达到93.58%,平均交并比(mean intersection over union,MIoU)值为86.12%,单张检测速度相对于Unet网络提升了8倍左右,提高了...     

基于改进YOLOv8n的 PCB 缺陷检测算法

针对现有的印刷电路板(PCB) 缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出 YOLOv8n- 4SCDP缺陷检测算法。首先,在YOLOv8n 颈部网络增加上采样,融合 Backbone 中浅层语义信息,同时增加微小目标检测层 降低PCB小目标缺陷漏检率;其次,在Backbone 中融入坐标注意力(CA) 机制,强化特征语义和位置信息,提高了模型特征融 合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大 减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模 型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP 算法的整体缺陷的平均精度均值(mAP) 达到95.8%,检测帧率达 到了65 fps。有效改善YOLOv8n 对于PCB小目标缺陷漏检率高、检测精度低等问题。     

基于轻量级YOLOv8n网络的PCB缺陷检测算法

针对PCB缺陷检测无法兼顾检测精度与模型体积的问题,提出一种基于轻量级YOLOv8n网络的PCB缺陷检测算法。首先,删除大目标检测层,新增小目标检测层并调整网络结构,使模型轻量化并提高检测精度。其次,将C2f模块结合GhostConv与DWConv设计出C2f-GhostD模块替换C2f模块,减少模型计算成本。然后,将PConv融入Detect模块中,设计出POne-Detect模块并应用于检测网络,精简网络结构。最后,在颈部网络添加SimAM注意力机制,提高信息捕获能力。实验结果表明,在PCB数据集中,该算法相较于YOLOv8n,参数量下降78.7%,模型体积减小73.7%,mAP0.5提升至98.6%,满足模型硬件部署需求。     

基于深度学习与多频电磁阵列检测的金属板材表面和内部缺陷识别方法

针对传统电磁检测技术对金属内部缺陷检测能力不足问题,提出一种基于深度学习与电磁检测的金属板材表面和内部缺陷识别方法.实验建立了不同深度、位置、数量的9类表面与内部典型气隙缺陷模型,验证了多频检测可行性,考虑阵列传感器激励电压与感应电压关系,引入保持平衡性的数据采集方法扩充数据集并预处理;构建DNN与CNN深度学习网络对...     

基于深度学习的输电线路螺栓检测技术

输电线路螺栓缺陷检测对电力系统安全可靠运行具有重要意义,但螺栓在巡检图像中具有特征不明显、尺寸小的特点,这给螺栓检测研究带来了一定挑战.随着直升机、无人机巡检技术和边缘计算的发展,传统巡检图像处理方法已满足不了实时检测的需求.针对上述问题,提出一种基于深度学习的输电线路螺栓检测系统.采用分级检测原则,首先利用SSD(s...     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

基于深度学习的色环电阻检测与判读方法研究

色环电阻作为常用的电子元器件,其阻值主要通过色环颜色表示。色环颜色依靠人工判断,效率低且误检率高。传统基于图像处理的色环判断,鲁棒性不高、受光照等物理因素影响较大。基于此,提出了一种基于深度学习的色环检测及判读方法。首先利用提出的目标检测算法实现色环检测和电阻本体检测,其次利用提出的颜色关系匹配方法结合检测结果,判断色环与电阻本体的从属关系并进行色环排序。最后利用提出的阻值推断方法,结合色码表,完成色环电阻的实时检测与判读。实验结果显示,相较于其他检测算法,该算法在色环检测的准确度上有更好的表现,达到98.71%,且网络的参数量仅10.61M、计算量仅31.68GMAC。在测试集上随机抽取20张图片进行验证,阻值判读的准确率高达98.59%。     

轻量化的印刷电路板缺陷检测网络 Multi-CR YOLO

针对印刷电路板表面缺陷目标小,检测精度低问题,设计了印刷电路板表面缺陷检测网络Multi-CR YOLO,满足实时检测速度的前提下,有效提高了检测精度。首先,由3个Multi-CR块组成的主干特征提取网络Multi-CR backbone对印刷电路板小目标缺陷进行特征提取。其次,SDDT-FPN特征融合模块使层级高的特征层向层级低的特征层进行特征融合,同时为小目标预测头YOLO Head-P3所在特征融合层加强特征融合,进一步增强低层特征层的表达能力。PCR模块加强主干特征提取网络与SDDT-FPN特征融合模块不同尺度的特征层的特征融合机制,且防止模块之间进行特征融合时信息丢失。C₅ECA模块负责自适应调节特征权重和自适应注意小目标缺陷信息的要求,进一步提高了特征融合模块的自适应特征提取能力。最后,3个YOLO-Head负责针对不同尺度的小目标缺陷进行预测。实验表明,Multi-CR YOLO网络模型检测mAP达到98.55%,模型大小为8.90 MB,达到轻量化要求,检测速度达到了95.85 fps,满足小目标缺陷实时检测的应用需求。     

基于YOLOv5-EA-FPNs的芯片缺陷检测方法研究

针对芯片缺陷检测中,缺陷尺寸跨度大、特征相似、小目标难识别、漏检等问题,本文提出基于YOLOv5改进的缺陷检测方法。针对小目标缺陷检测中出现的漏检、误检等问题,提出新增小目标特征检测器(small target feature detector,S-Detector),提升模型对小目标缺陷的学习能力;针对缺陷尺寸跨度大、特征相似等问题,提出具有高效聚焦学习能力的特征金字塔结构(efficient attention feature pyramid networks,EA-FPNs),提升模型对不同尺寸缺陷的检测能力;针对预测阶段冗余框较多导致时间开销大的问题,提出基于面积的边界框融合算法(bounding box fusion algorithm,BFA),减少冗余框。实验结果表明,本文方法相较于改进前,检测精确度提升1.2%,小目标缺陷精确度提升1.6%;采用BFA消除冗余框的同时,平均检测时长为26.8μs/张,较使用BFA前减少了5.2μs。本文所提方法具有良好性能,能够提升检测效率。     

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。     

基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。